Tingkat MLOps

Google, Microsoft, dan lainnya telah mendefinisikan sejumlah standar untuk mengukur tingkat kematangan MLOps. Berikut adalah ikhtisar dari tiga tingkat MLOps yang didefinisikan oleh Google.

Tingkat 0: Proses manual

Ini adalah proses data science khas yang dilakukan selama tahap awal penerapan ML. Level ini bersifat eksperimental dan berulang.

Pada tingkat 0, setiap langkah pipeline, termasuk persiapan dan validasi data, pelatihan model, pengujian, dan penerapan, dilakukan sepenuhnya secara manual, menempatkan MLOps pada tingkat kematangan terendah.

MLOps level 0: Manual process

Tingkat 0 memiliki karakteristik spesifik berikut ini:

• Semua langkah, termasuk ekstraksi data dan analisis data, dilakukan secara manual
• Pembelajaran mesin dan tim operasi dipisahkan
• Tidak dapat menangani penyetelan dan rilis yang sering
• Hanya sebagian dari sistem ML yang dapat diterapkan
• Tidak dapat melacak tindakan di lingkungan produksi

Tingkat 1: Otomatisasi pipeline ML

Tingkat 1 adalah tempat pipeline ML diotomatisasi. Saat data baru tersedia, proses pelatihan ulang model dimulai.

Tingkat 1 menambahkan komponen berikut ini:

• Validasi data dan model
• Store fitur
• Manajemen metadata
• Pemicu pipeline ML

MLOps level 1: ML pipeline automation

Tingkat 1 memiliki fitur spesifik berikut ini:

• Eksperimen ML dapat dilakukan dengan cepat
• Tim pembelajaran mesin, tim pengembangan dan operasi terkoordinasi
• Model dapat dilatih secara otomatis di lingkungan produksi
• Dapat mengakomodasi penyetelan dan rilis berkelanjutan

Tingkat 2: Otomatisasi pipeline CI/CD

Tingkat 2 menerapkan sistem CI/CD untuk memastikan penyebaran model ML yang cepat dan andal di lingkungan produksi. Perbedaan utama dari tingkat 1 adalah secara otomatis membangun, menguji, dan menyebarkan data, model ML, dan komponen pipeline pembelajaran ML.

MLOps level 2: CI/CD pipeline automation

Tingkat 2 memiliki fitur spesifik berikut ini:

• Lingkungan pengembangan dan pengujian terintegrasi
• Build, test, package, dan deploy dapat diotomatisasi dengan pemicu tertentu
• CI/CD dari pipeline telah tercapai
• Pipeline secara otomatis dieksekusi di lingkungan produksi berdasarkan jadwal
• Pemantauan produksi dimungkinkan

Referensi

https://cloud.google.com/architecture/mlops-continuous-delivery-and-automation-pipelines-in-machine-learning#devops_versus_mlops
https://ml-ops.org/content/mlops-principles